Python：如何检查Unicode字符串是否包含大小写字符？

Question

我正在进行一个筛选，其中我检查一个Unicode（UTF-8编码）字符串是否不包含大写字母（在所有语言中）。如果该字符串根本不包含任何大小写字符，则对我来说也是可以的。

例如：'Hello!'不会通过筛选，但“！”应该通过筛选，因为“！”不是大小写字符。

我计划使用islower()方法，但在上面的示例中，“!” .islower()将返回False。

根据Python文档，“python unicode方法islower()返回True，如果unicode字符串的大小写字符都是小写的，并且该字符串包含至少一个大小写字符，否则返回False。”

由于该方法还在字符串不包含任何大小写字符时返回False，即“！”，因此我想检查字符串是否包含任何大小写字符。

像这样....

string = unicode("!@#$%^", 'utf-8')

#check first if it contains cased characters
if not contains_cased(string):
     return True

return string.islower():

有没有关于 contains_cased() 函数的建议？

或者可能有不同的实现方法？

谢谢！

- Albert

---

您所接受的答案似乎是不正确的。请查看我的答案。 - John Machin

Answer 1

import unicodedata as ud

def contains_cased(u):
  return any(ud.category(c)[0] == 'L' for c in u)

- Alex Martelli

---

阿格，亚历克斯，有什么你不知道的吗？ - Bite code

+1：工作解决方案（相比于John Machin的漂亮但没有可执行代码的解释） - oDDsKooL

Answer 2

这里是有关Unicode字符类别的完整信息。

字母类别包括：

Ll -- lowercase
Lu -- uppercase
Lt -- titlecase
Lm -- modifier
Lo -- other

请注意，Ll <-> islower()；同样，对于Lu也是如此；(Lu or Lt) <-> istitle() 您可能希望阅读有关大小写的复杂讨论，其中包括一些关于Lm字母的讨论。 盲目地将所有“字母”视为带大小写的是明显错误的。Lo类别在BMP中包含45301个代码点（使用Python 2.6进行计数）。其中大部分是韩文音节、CJK表意文字和其他东亚字符，很难理解它们怎么会被认为是“带大小写的”。

您可能希望考虑另一种定义，该定义基于您期望的“带大小写的字符”的（未指定的）行为。以下是一个简单的第一次尝试：

>>> cased = lambda c: c.upper() != c or c.lower() != c
>>> sum(cased(unichr(i)) for i in xrange(65536))
1970
>>>

有趣的是，有1216个Ll和937个Lu，总共2153个...还有进一步探究Ll和Lu真正含义的空间。

- John Machin

---

@John：哇。谢谢你的解释。我花了一段时间才理解它。我看了你的链接，我觉得我需要更深入地学习它。我有一种感觉，我即将发现的东西会让我大量修改我的代码。天啊。谢谢！ - Albert

@Albert：不要惊慌。正如我所暗示的，首先要制定一个“大小写”的定义。你会对大小写字符采取什么不同的处理方式？我的例子定义是“具有大写或小写‘伴侣’的字符”。一些（也许全部）1970个字符和2153个字符之间的差异似乎是由于被分类为Ll的字符，因为它们看起来像小写字符，但没有Lu伴侣，反之亦然——你需要决定这些字符是否符合你的“大小写”目的。顺便说一句，你可以更改你接受的答案 :-) - John Machin

@John：嗯，我正在为我的Web服务制作API。我的Web服务接受一个键，该键映射到我的数据库中的特定记录。该键区分大小写，并且可以由任何Unicode字符组成。因此，为了规范所有输入，我将把所有键查询转换为小写（如果它们具有大写字母等效项）。这样做的一个后果是，当我创建记录键（我的用户可以自定义）时，我不能接受任何可以通过toLower()函数转换为小写等效项的大写字符。所以我正在尝试制作一个过滤器。有什么建议吗？ - Albert

@John：我的错误，我是指lower()函数。好的，我会发一个新问题。谢谢！ - Albert

你将小写字母错认为小写代码点。以下是小写代码点而非小写字母：U+0345 GC=Mn 希腊语小文字母下加重音、U+2176 GC=Nl 罗马数字七、U+24DA GC=So 带圈的拉丁小写字母K。而这些小写字母不会在转换为大写时改变：U+00AA GC=Ll 阴性序数指示符、U+0262 GC=Ll 拉丁字母小型大写G、U+02B0 GC=Lm 修饰字母小型H、U+2093 GC=Lm 拉丁小型下标字母X、U+210A GC=Ll 手写体小写字母G，以及U+1D521 GC=Ll 数学分式小写字母D。 - tchrist

Answer 3

使用模块unicodedata，

unicodedata.category(character)

对于小写字母返回 "Ll"，对于大写字母返回 "Lu"。

这里 您可以找到 Unicode 字符类别列表。

- mykhal